CN112965496A - 基于人工势场算法的路径规划方法、装置及存储介质 - Google Patents

基于人工势场算法的路径规划方法、装置及存储介质 Download PDF

Info

Publication number
CN112965496A
CN112965496A CN202110199384.4A CN202110199384A CN112965496A CN 112965496 A CN112965496 A CN 112965496A CN 202110199384 A CN202110199384 A CN 202110199384A CN 112965496 A CN112965496 A CN 112965496A
Authority
CN
China
Prior art keywords
obstacle
potential field
ship
path planning
speed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110199384.4A
Other languages
English (en)
Other versions
CN112965496B (zh
Inventor
马枫
游旭
刘佳仑
李诗杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202110199384.4A priority Critical patent/CN112965496B/zh
Publication of CN112965496A publication Critical patent/CN112965496A/zh
Application granted granted Critical
Publication of CN112965496B publication Critical patent/CN112965496B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于人工势场算法的路径规划方法、装置及存储介质，涉及路径规划领域，基于人工势场算法的路径规划方法包括以下步骤：获取监控领域内的障碍物运动速度以及障碍物位置；根据所述障碍物运动速度和所述障碍物位置确定所述障碍物的运动轨迹；根据所述障碍物运动速度、所述障碍物位置以及所述障碍物的运动轨迹建立势场函数；根据所述势场函数规划路径。通过结合障碍物的运动轨迹来建立势场函数，使得船舶在障碍物密集区域航行时能够避免与动态障碍物发生意外碰撞。

Description

基于人工势场算法的路径规划方法、装置及存储介质
技术领域
本发明涉及路径规划领域，尤其涉及一种基于人工势场算法的路径规划方法、装置及存储介质。
背景技术
在船舶航行过程中，当在船舶一定区域内出现多个障碍物时，需要对航行进行快速搜索，在此引入人工势场(APF)算法，采用人工势场算法在存在多个障碍物情况下能快速给出规避当前障碍物的路径。但是，人工势场算法给出的路径一般为方向参考，没有考虑到船舶以及海面障碍物的实时情况，当海面出现多个实时运动的障碍物时，往往容易发生意外碰撞。
发明内容
为了解决上述技术问题的至少之一，本发明提出一种基于人工势场算法的路径规划方法、装置及存储介质，能够减少船舶与海面运动障碍物发生意外碰撞。
第一方面，本发明实施例提供了一种基于人工势场算法的路径规划方法，包括以下步骤：
获取监控领域内的障碍物运动速度以及障碍物位置；
根据所述障碍物运动速度和所述障碍物位置确定所述障碍物的运动轨迹；
根据所述障碍物运动速度、所述障碍物位置以及所述障碍物的运动轨迹建立势场函数；
根据所述势场函数规划路径。
在一些实施例中，所述根据所述障碍物运动速度和所述障碍物位置确定所述障碍物的运动轨迹包括以下步骤：
获取障碍物的高斯分布预测模型；
将所述障碍物位置和所述障碍物运动速度代入所述高斯分布预测模型确定所述障碍物的运动轨迹。
在一些实施例中，所述根据所述障碍物运动速度、所述障碍物位置以及所述障碍物的运动轨迹建立势场函数包括以下步骤：
获取船舶速度、船舶位置以及目标点位置；
根据所述船舶位置与所述目标点位置建立引力势场函数；
根据所述船舶位置与所述障碍物位置建立第一斥力势场函数；
根据所述障碍物运动轨迹、所述船舶速度与所述障碍物运动速度建立第二斥力势场函数；
根据所述引力势场函数、所述第一斥力场函数和所述第二斥力场函数建立所述势场函数。
在一些实施例中，所述引力势场的表达式为：
Figure BDA0002947988970000021
其中，q表示表示船舶位置的坐标，qg表示目标点位置的坐标，ρ表示船舶到目标点之间的直线距离，katt为引力势场系数。
在一些实施例中，所述第一斥力势场函数的表达式为：
Figure BDA0002947988970000022
其中，η为第一斥力势场系数，ρ0为设置的斥力影响距离，ρ0(q)表示船舶位置到障碍位置之间的直线距离。
在一些实施例中，所述根据所述障碍物的运动轨迹、所述船舶速度与所述障碍物运动速度建立第二斥力势场函数包括以下步骤：
根据所述障碍物的运动轨迹确定运动障碍物的影响范围；
根据所述运动障碍物的影响范围、所述船舶速度与所述障碍物运动速度建立第二斥力势场函数。
在一些实施例中，所述第二斥力势场函数的表达式为：
Figure BDA0002947988970000023
其中，krepv为第二斥力势场系数，v表示船舶速度，v0表示障碍物运动速度，ρ0(q)表示船舶位置到障碍位置之间的直线距离，ρ0为设置的斥力影响距离，α表示运动障碍物的影响范围。
在一些实施例中，所述势场函数的表达式为：
Utotal＝Uatt+Urep+Urepv；
其中，Uatt为引力势场函数，Urep为第一斥力势场函数，Upepv为第二斥力势场函数。
第二方面，本发明实施例还提供了一种基于人工势场算法的路径规划装置，包括：
程序；
存储器，用于存储所述程序；
处理器，用于加载所述程序以执行如权利要求1～8任一项所述的基于人工势场算法的路径规划方法。
第三方面，本发明实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如上述第一方面实施例所述的基于人工势场算法的路径规划方法。
本发明上述的技术方案至少具有如下优点或有益效果之一：船舶获取其监控领域内的障碍物运动速度以及障碍物位置，根据获取到的障碍物运动速度和障碍物位置确定障碍物的运动轨迹，然后根据障碍物运动速度、障碍物位置以及障碍物的运动轨迹建立势场函数；根据势场函数规划路径。通过结合障碍物的运动轨迹来建立势场函数，使得船舶在障碍物密集区域航行时能够避免与动态障碍物发生意外碰撞。
附图说明
图1是根据本发明实施例提供的基于人工势场算法的路径规划方法流程图；
图2是根据本发明实施例提供的改进后第一斥力势场分解示意图。
具体实施方式
本申请实施例所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
本发明实施例提供一种基于人工势场算法的路径规划方法，能够减少船舶与海面运动障碍物发生意外碰撞。参照图1，本发明实施例的方法包括但不限于步骤S110、步骤S120、步骤S130和步骤S140。
步骤S110,获取监控领域内的障碍物运动速度以及障碍物位置。
步骤S120,根据障碍物运动速度和障碍物位置确定障碍物的运动轨迹。
步骤S130,根据障碍物运动速度、障碍物位置以及障碍物的运动轨迹建立势场函数。
步骤S140,根据势场函数规划路径。
在一些实施例中，船舶船身上设置有激光雷达、传感器以及摄像头等监控部件来监测船舶附近的动态障碍物，动态障碍物可以是指海面上的漂浮物也可以是指其他船舶、无人艇等。监控部件的监控领域以船身长度作为参考，设置a倍船身长度的监控领域，a的值一般在2～4之间，具体地可以根据船舶的运动特性也就是船舶的回转性能来确定具体的监控领域。船舶可以通过监控部件获得监控领域内障碍物的分布情况包括障碍物运动速度以及障碍物位置，将障碍物位置映射到与船舶同一大地坐标系下，然后根据障碍物运动速度和障碍物位置通过高斯分布预测模型得出障碍物的运动轨迹，具体地，将障碍物运动速度以设定的时间间隔的进行预测，结合高斯分布预测模型下的障碍物预测位置和障碍物预测分布范围(μ，δ),其中，高斯分布预测模型中参数μ和δ可经过大量的回归实验得出，设置b*δ作为预测范围，b一般在2-4之间，预测障碍物下一时刻也即时间间隔之后的位置为：
μn+1＝μn+V*t；
V为当前监测到的障碍物运动速度，t为设定的间隔时间也即监控部件两次获取障碍物信息之间的时间间隔，μn为监测到的当前障碍物位置。在船舶航行过程中通过对高斯分布预测模型的进行不断修正，从而优化出每次预测的障碍物运动轨迹即障碍物下一刻位置的结果。
需要说明的是，障碍物位置预测也可以通过利用迭代估计的方式来更新估计的障碍物运动速度，从而预测障碍物下一刻的位置。采用迭代估计的方式来更新估计的障碍物运动速度预测障碍物下一刻位置的方式如下:
预测下一时刻的障碍物位置计算公式为:
pk+1＝pk+vk*Δt；
其中，pk为当前时刻观测到的障碍物位置坐标信息，vk为当前时刻观测到的障碍物运动速度，Δt为设定的时间间隔。在预测下一刻障碍物位置的过程中为需要对障碍物的运动速度进行更新迭代准确得到其预测值，对障碍物的运动速度进行更新迭代的方式如下：
假设障碍物在一个小的时间间隔即单位时间Δt内速度不发生突变，那么障碍物运动速度可以根据船舶自身的感知设备获取，计算第k次预测的系数Kk：
Figure BDA0002947988970000041
其中，eESTk-1为第k-1次的障碍物运动速度预测误差，eMEAk为第k次的船舶监控设备测量误差(一般为固定值)。
根据第k次的系数Kk确定第k次观测到的障碍物运动速度为：
Figure BDA0002947988970000051
其中，
Figure BDA0002947988970000052
分别为第k次和第k-1的障碍物运动速度预测值，zk为第k次障碍物运动速度测量值。
根据公式eESTk＝(1-Kk)eESTk-1，更新第k次的障碍物运动速度预测误差，其中，将第一次的障碍物运动速度预测值作为测量值，然后进行迭代计算更新，在设定的时间间隔内更新约10次后和障碍物运动速度预测值会较为准确地接近实际的测量值。
预测出障碍物位置之后，利用人工势场算法对船舶进行航向给定。势场函数的计算公式如下：
在同一大地坐标系下，获得的障碍物位置为：qo(x,y)，障碍物运动速度为vo，船舶位置坐标为q(x,y)，船舶速度为v。目标点位置的坐标为qg(x,y)定位为路径规划中能够完全绕过障碍物的一点。
引力势场函数的表达式为：
Figure BDA0002947988970000053
其中，ρ表示船舶到目标点之间的直线距离，katt为引力势场系数
第一斥力势场函数的表达式为：
Figure BDA0002947988970000054
其中，η为第一斥力势场系数，ρ0为设置的斥力影响距离，ρ0(q)表示船舶位置到障碍位置之间的直线距离。
需要说明的是，也可以结合船舶到目标点之间距离来改进第一斥力势场函数，得到改进的第一斥力场函数为：
Figure BDA0002947988970000055
其中，n为大于零的任意实数，
Figure BDA0002947988970000056
为目标点所在的位置向量，
Figure BDA0002947988970000057
为t时刻船舶的所处位置向量，
Figure BDA0002947988970000058
为船舶离目标点的距离，PS为船舶到障碍物之间的直线距离，Po为设定的斥力势场范围。当船舶在设定的斥力势场范围之外，其斥力势场为零，当船舶在斥力势场范围内，目标点与船舶之间的相对距离的引入能够使得在靠近目标点的运动过程中斥力势能不断下降直至为零。
对改进后的第一斥力势场进行负梯度分解得：
Figure BDA0002947988970000061
其中，
Figure BDA0002947988970000062
和
Figure BDA0002947988970000063
分别为：
Figure BDA0002947988970000064
Figure BDA0002947988970000065
如图2所示，Fatt表示目标点对船舶产生的引力势场，F表示引力势场与第一斥力势场的合势场。
Figure BDA0002947988970000066
被分解成的
Figure BDA0002947988970000067
和
Figure BDA0002947988970000068
两个分力，
Figure BDA0002947988970000069
的方向与原始斥力方向相同，由障碍物指向船舶，
Figure BDA00029479889700000610
的方向与引力同向，船舶指向目标点。
第二斥力势场函数的表达式为：
Figure BDA00029479889700000611
其中，krepv为第二斥力势场系数，v表示船舶速度，v0表示障碍物运动速度，ρ0(q)表示船舶位置到障碍位置之间的直线距离，ρ0为设置的斥力影响距离，α表示运动障碍物的影响范围。
需要说明的是，上述实施例的第一斥力势场函数和第二斥力势场函数计算的是一个运动障碍物对船舶产生的第一斥力和第二斥力，当在船舶的斥力影响距离范围内存在多个障碍物时，需要分别计算各个障碍物对船舶产生的第一斥力和第二斥力，再将所有第一斥力叠加得到总的第一斥力势场函数，将所有第二斥力叠加得到总的第二斥力势场函数。
需要说明的是，斥力影响距离ρ0为根据船舶实际运动特性和船舶的大小而设定的，运动障碍物的影响范围α可根据船舶附近的障碍物运动轨迹来确定，当船舶根据当前获取到的障碍物运动速度和障碍物位置预测到海面上部分障碍物的运动轨迹会影响到船舶的运动状态时，可以将运动障碍物的影响范围α扩大，将会影响到船舶未来的运动状态的部分障碍物纳入运动障碍物的影响范围，结合该部分障碍物运动速度来计算第二斥力函数。为避免船舶在航行过程中与运动障碍物发生意外碰撞，通过提前预测障碍物的运动轨迹，结合预测到的下一刻障碍物位置来修正势场函数，从而不断修正船舶的航线使得船舶在运动障碍物密集区域也能够有效规避障碍物。
总的势场函数表达式为：Utotal＝Uatt+Urep+Urepv；
根据势场函数得出船舶受到的合力为：Ftotal＝Fatt+Frep+Frepv，其中各个力的方向为各个势场的梯度下降方向。
在航行时船舶根据在各个位置处应该受到的力，包括力的方向和力的大小能够规划出一条避免与障碍物碰撞而到达目的地的航行路线，使得无人船舶能够自主应对海面上的各种动态障碍物的影响，安全完成航行。
本发明的一个实施例还提供了一种基于人工势场算法的路径规划装置，包括程序、存储器和处理器，存储器用于存储程序。处理器，用于加载程序以执行上述实施例的基于人工势场算法的路径规划方法。
本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，执行以上实施例描述的步骤。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本发明权利要求所限定的范围内。

Claims (10)

1.一种基于人工势场算法的路径规划方法，其特征在于，包括以下步骤：
获取监控领域内的障碍物运动速度以及障碍物位置；
根据所述障碍物运动速度和所述障碍物位置确定所述障碍物的运动轨迹；
根据所述障碍物运动速度、所述障碍物位置以及所述障碍物的运动轨迹建立势场函数；
根据所述势场函数规划路径。
2.根据权利要求1所述的基于人工势场算法的路径规划方法，其特征在于，所述根据所述障碍物运动速度和所述障碍物位置确定所述障碍物的运动轨迹包括以下步骤：
获取障碍物的高斯分布预测模型；
将所述障碍物位置和所述障碍物运动速度代入所述高斯分布预测模型确定所述障碍物的运动轨迹。
3.根据权利要求1所述的基于人工势场算法的路径规划方法，其特征在于，所述根据所述障碍物运动速度、所述障碍物位置以及所述障碍物的运动轨迹建立势场函数包括以下步骤：
获取船舶速度、船舶位置以及目标点位置；
根据所述船舶位置与所述目标点位置建立引力势场函数；
根据所述船舶位置与所述障碍物位置建立第一斥力势场函数；
根据所述障碍物运动轨迹、所述船舶速度与所述障碍物运动速度建立第二斥力势场函数；
根据所述引力势场函数、所述第一斥力场函数和所述第二斥力场函数建立所述势场函数。
4.根据权利要求3所述的基于人工势场算法的路径规划方法，其特征在于，所述引力势场的表达式为：
Figure FDA0002947988960000011
其中，q表示表示船舶位置的坐标，qg表示目标点位置的坐标，ρ表示船舶到目标点之间的直线距离，katt为引力势场系数。
5.根据权利要求3所述的基于人工势场算法的路径规划方法，其特征在于，所述第一斥力势场函数的表达式为：
Figure FDA0002947988960000012
其中，η为第一斥力势场系数，ρ0为设置的斥力影响距离，ρ0(q)表示船舶位置到障碍物位置之间的直线距离。
6.根据权利要求3所述的基于人工势场算法的路径规划方法，其特征在于，所述根据所述障碍物的运动轨迹、所述船舶速度与所述障碍物运动速度建立第二斥力势场函数包括以下步骤：
根据所述障碍物的运动轨迹确定运动障碍物的影响范围；
根据所述运动障碍物的影响范围、所述船舶速度与所述障碍物运动速度建立第二斥力势场函数。
7.根据权利要求6所述的基于人工势场算法的路径规划方法，其特征在于，所述第二斥力势场函数的表达式为：
Figure FDA0002947988960000021
其中，krepv为第二斥力势场系数，v表示船舶速度，v0表示障碍物运动速度，ρ0(q)表示船舶位置到障碍位置之间的直线距离，ρ0为设置的斥力影响距离，α表示运动障碍物的影响范围。
8.根据权利要求3所述的基于人工势场算法的路径规划方法，其特征在于，所述势场函数的表达式为：
Utotal＝Uatt+Urep+Urepv；
其中，Uatt为引力势场函数，Urep为第一斥力势场函数，Upepv为第二斥力势场函数。
9.一种基于人工势场算法的路径规划装置，其特征在于，包括：
程序；
存储器，用于存储所述程序；
处理器，用于加载所述程序以执行如权利要求1～8任一项所述的基于人工势场算法的路径规划方法。
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1～8任一项所述的基于人工势场算法的路径规划方法。
CN202110199384.4A 2021-02-23 2021-02-23 基于人工势场算法的路径规划方法、装置及存储介质 Active CN112965496B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110199384.4A CN112965496B (zh) 2021-02-23 2021-02-23 基于人工势场算法的路径规划方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110199384.4A CN112965496B (zh) 2021-02-23 2021-02-23 基于人工势场算法的路径规划方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112965496A true CN112965496A (zh) 2021-06-15
CN112965496B CN112965496B (zh) 2022-04-22

Family

ID=76285591

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110199384.4A Active CN112965496B (zh) 2021-02-23 2021-02-23 基于人工势场算法的路径规划方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112965496B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113741480A (zh) * 2021-09-16 2021-12-03 中科南京软件技术研究院 一种基于动态障碍物提取与代价地图相结合的避障方法
CN113848914A (zh) * 2021-09-28 2021-12-28 福州大学 动态环境下碰撞系数人工势场法局部路径规划方法
CN116520890A (zh) * 2023-07-05 2023-08-01 杭州柯林电气股份有限公司 一种可三维全息巡视的无人机控制平台
CN117670184A (zh) * 2024-01-31 2024-03-08 埃罗德智能科技(辽宁)有限公司 应用于数字化机器人产业链的机器人场景仿真方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017151687A (ja) * 2016-02-24 2017-08-31 本田技研工業株式会社 移動体の経路計画生成装置
CN110209171A (zh) * 2019-06-24 2019-09-06 深圳物控智联科技有限公司 一种基于人工势场法的路径规划方法
CN110471427A (zh) * 2019-09-06 2019-11-19 大连海事大学 一种基于路径规划与人工势场法的船舶编队智能避碰方法
CN110553660A (zh) * 2019-08-31 2019-12-10 武汉理工大学 一种基于a*算法和人工势场的无人车轨迹规划方法
CN111123984A (zh) * 2019-11-05 2020-05-08 东莞理工学院 一种基于位置与速度人工势场法的无人机路径规划方法
CN111168675A (zh) * 2020-01-08 2020-05-19 北京航空航天大学 一种家用服务机器人的机械臂动态避障运动规划方法
KR102115294B1 (ko) * 2020-02-28 2020-06-02 주식회사 파블로항공 무인항공기 충돌 회피 방법
CN111273670A (zh) * 2020-03-03 2020-06-12 大连海事大学 一种针对快速移动障碍物的无人艇避碰方法
CN111489023A (zh) * 2020-04-03 2020-08-04 武汉理工大学 一种处理动态乘务服务需求信息的多功能智能机器人系统
CN111694287A (zh) * 2020-05-14 2020-09-22 北京百度网讯科技有限公司 无人驾驶仿真场景中的障碍物模拟方法和装置
CN111897328A (zh) * 2020-07-17 2020-11-06 武汉理工大学 一种基于改进人工势场法的路径规划方法、装置及设备
CN112068560A (zh) * 2020-08-28 2020-12-11 的卢技术有限公司 一种基于改进人工势场法的机器人路径规划方法
CN112344943A (zh) * 2020-11-20 2021-02-09 安徽工程大学 一种改进人工势场算法的智能车路径规划方法
CN112379672A (zh) * 2020-11-24 2021-02-19 浙大宁波理工学院 一种基于改进人工势场的智能无人船路径规划方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017151687A (ja) * 2016-02-24 2017-08-31 本田技研工業株式会社 移動体の経路計画生成装置
CN110209171A (zh) * 2019-06-24 2019-09-06 深圳物控智联科技有限公司 一种基于人工势场法的路径规划方法
CN110553660A (zh) * 2019-08-31 2019-12-10 武汉理工大学 一种基于a*算法和人工势场的无人车轨迹规划方法
CN110471427A (zh) * 2019-09-06 2019-11-19 大连海事大学 一种基于路径规划与人工势场法的船舶编队智能避碰方法
CN111123984A (zh) * 2019-11-05 2020-05-08 东莞理工学院 一种基于位置与速度人工势场法的无人机路径规划方法
CN111168675A (zh) * 2020-01-08 2020-05-19 北京航空航天大学 一种家用服务机器人的机械臂动态避障运动规划方法
KR102115294B1 (ko) * 2020-02-28 2020-06-02 주식회사 파블로항공 무인항공기 충돌 회피 방법
CN111273670A (zh) * 2020-03-03 2020-06-12 大连海事大学 一种针对快速移动障碍物的无人艇避碰方法
CN111489023A (zh) * 2020-04-03 2020-08-04 武汉理工大学 一种处理动态乘务服务需求信息的多功能智能机器人系统
CN111694287A (zh) * 2020-05-14 2020-09-22 北京百度网讯科技有限公司 无人驾驶仿真场景中的障碍物模拟方法和装置
CN111897328A (zh) * 2020-07-17 2020-11-06 武汉理工大学 一种基于改进人工势场法的路径规划方法、装置及设备
CN112068560A (zh) * 2020-08-28 2020-12-11 的卢技术有限公司 一种基于改进人工势场法的机器人路径规划方法
CN112344943A (zh) * 2020-11-20 2021-02-09 安徽工程大学 一种改进人工势场算法的智能车路径规划方法
CN112379672A (zh) * 2020-11-24 2021-02-19 浙大宁波理工学院 一种基于改进人工势场的智能无人船路径规划方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113741480A (zh) * 2021-09-16 2021-12-03 中科南京软件技术研究院 一种基于动态障碍物提取与代价地图相结合的避障方法
CN113848914A (zh) * 2021-09-28 2021-12-28 福州大学 动态环境下碰撞系数人工势场法局部路径规划方法
CN113848914B (zh) * 2021-09-28 2024-04-26 福州大学 动态环境下碰撞系数人工势场法局部路径规划方法
CN116520890A (zh) * 2023-07-05 2023-08-01 杭州柯林电气股份有限公司 一种可三维全息巡视的无人机控制平台
CN116520890B (zh) * 2023-07-05 2023-09-05 杭州柯林电气股份有限公司 一种可三维全息巡视的无人机控制平台
CN117670184A (zh) * 2024-01-31 2024-03-08 埃罗德智能科技(辽宁)有限公司 应用于数字化机器人产业链的机器人场景仿真方法及系统
CN117670184B (zh) * 2024-01-31 2024-05-03 埃罗德智能科技(辽宁)有限公司 应用于数字化机器人产业链的机器人场景仿真方法及系统

Also Published As

Publication number Publication date
CN112965496B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN112965496B (zh) 基于人工势场算法的路径规划方法、装置及存储介质
Hagen et al. MPC-based collision avoidance strategy for existing marine vessel guidance systems
CN110850873B (zh) 无人船路径规划方法、装置、设备和存储介质
Wilthil et al. Radar-based maritime collision avoidance using dynamic window
Perera Navigation vector based ship maneuvering prediction
Lisowski Game control methods in avoidance of ships collisions
Kazimierski et al. Analysis of the possibility of using radar tracking method based on GRNN for processing sonar spatial data
CN111798702B (zh) 无人艇路径跟踪控制方法、系统、存储介质及终端
Fossen et al. Exogenous kalman filter (xkf) for visualization and motion prediction of ships using live automatic identification systems (ais) data
CN114527744B (zh) 基于天牛须搜索优化的无人帆船路径跟踪制导方法
Woo et al. Vision based obstacle detection and collision risk estimation of an unmanned surface vehicle
Li et al. Estimation and tracking of a moving target by unmanned aerial vehicles
Cho et al. Autonomous detection and tracking of a surface ship using onboard monocular vision
Song et al. Error mitigation algorithm based on bidirectional fitting method for collision avoidance of unmanned surface vehicle
CN114061565A (zh) 一种无人船舶slam及其应用方法
Kim 3D path planner of an autonomous underwater vehicle to track an emitter using frequency and azimuth–elevation angle measurements
CN115168787B (zh) 一种基于推测计算的飞行轨迹关联跟踪方法
Bechlioulis et al. A robust visual servo control scheme with prescribed performance for an autonomous underwater vehicle
Tomera Path controller for ships with switching approach
Yan et al. An Obstacle Avoidance Algorithm for Unmanned Surface Vehicle Based on A Star and Velocity-Obstacle Algorithms
Jose et al. Navigating the Ocean with DRL: Path following for marine vessels
Myhre et al. Collision detection for visual tracking of crane loads using a particle filter
CN114690772A (zh) 用于海域非循迹航行船舶的会遇时空预测方法及系统
Tanaka et al. Underwater vehicle localization considering the effects of its oscillation
Chen et al. Multisensor data fusion for manoeuvring target tracking

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant